Equipar a la IA con “memoria muscular”: ¿cómo pueden los agentes aprender en tiempo real y volverse más inteligentes con el uso a través de la “experiencia de indexación de estados”? Punto clave: La "amnesia" de los agentes de IA Si bien los agentes de IA actuales son inteligentes, suelen tener un defecto fatal: no pueden aprender después de la implementación. • El modelo está “muerto”: una vez que el modelo está entrenado e implementado, su conocimiento es fijo. • Falta de aprendizaje de los errores: si un agente no logra operar en una página web compleja hoy, puede cometer el mismo error cuando se encuentre con la misma página web mañana. • Falta de “memoria muscular”: los humanos adquieren habilidades a través de “ensayo y error” (conocimiento procedimental), mientras que los agentes de IA a menudo carecen de este mecanismo de acumulación de habilidades a partir de la experiencia en tiempo real. Solución: Sistema PRAXIS Para abordar este problema, los autores propusieron un nuevo mecanismo llamado PRAXIS (Recuerdo de procedimiento para agentes con experiencias indexadas por estado). Podemos pensar en PRAXIS como un "registro de errores en tiempo real" o una "nota de experiencia" de un agente: • Experiencia de grabación: cuando el agente realiza una tarea, PRAXIS graba silenciosamente cada acción que realiza y sus consecuencias en segundo plano. • Correspondencia de escenas: cuando el agente vuelve a encontrar una escena similar (estado ambiental + estado interno), PRAXIS recuperará rápidamente las experiencias pasadas. • Soporte de decisiones: le dice al agente: "Oye, hacer clic en este botón en esta pantalla la última vez fue exitoso (o falló)", guiando así directamente al agente para tomar una mejor decisión. Puntos técnicos clave: Complemento ligero: PRAXIS no requiere volver a entrenar modelos grandes; es más bien como un módulo de memoria externa de bajo coste. • Indexación dual: no solo analiza el entorno externo (por ejemplo, el aspecto de una página web), sino también el estado interno del agente (por ejemplo, cuál es el plan actual), lo que garantiza la precisión de la coincidencia de experiencias. Resultados experimentales: Un éxito rotundo en la tarea de navegación web. El equipo de investigación evaluó los resultados en el REAL Web Browsing Benchmark, y los resultados muestran que: • Mayor tasa de finalización de tareas: los agentes equipados con PRAXIS pueden completar tareas de páginas web complejas con mayor precisión. • Más rentable: al evitar desvíos y reducir los intentos ineficaces, el consumo de tokens y los costos operativos se reducen significativamente. • Alta adaptabilidad: Para tareas nunca antes vistas, siempre que el entorno sea similar, el agente puede resolver el problema por analogía con la experiencia pasada. Implicaciones y conclusiones para la industria: Este documento propone una ruta de bajo costo para que los agentes de IA logren la "autoevolución". • Diga adiós a la inteligencia “puntual”: los agentes del futuro ya no serán herramientas inmutables, sino asistentes que se volverán más convenientes e inteligentes cuanto más se usen. • Manejo de entornos dinámicos: Especialmente en escenarios donde la interfaz cambia con frecuencia, como la navegación web y la operación de software, el mecanismo PRAXIS permite al agente adaptarse rápidamente a la nueva versión de la UI, como un humano, sin tener que esperar a que el fabricante del modelo lance una nueva versión. papel
